边缘检测的一般步骤
【第一步】滤波
边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核对图像灰度矩阵的每一点进行加权求和。
【第二步】增强
增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来，在具体编程实现时，可通过计算梯度幅值来确定。
【第三步】检测
通过增强的图像，往往领域中有很多点的梯度值比较大，而在特定的应用中这些点并不是要找的边缘点，所以应该采用某种方法来对这些点进行取舍，实际工程中，常用的方法是通过阈值化方法来检测。
Canny 算子简介
Canny 边缘检测算子是 John F.Canny 于 1986 年开发出来的一个多级边缘检测算法。更为重要的是，Canny 创立了边缘检测计算理论，解释了这项技术是如何工作的。Canny 边缘检测算法以 Canny 的名字命名，被很多人推崇为最优的边缘检测的算法。
最优边缘检测的三个主要评价标准：
- 低错误率：标识出尽可能多的实际边缘，同时尽可能地减少噪声产生的误差。
- 高定位性：标识出的边缘要与图像中的实际边缘尽可能接近。
- 最小相应：图像中的边缘只能标记一次，并且可能存在的图像噪声不应被识别为边缘。
Canny 边缘检测的步骤
【第一步】转化为灰度图并消除噪声
一般情况下，使用高斯平滑滤波器卷积降噪。下面显示了一个 
的高斯内核示例:
【第二步】计算梯度幅值和方向
此处，按照 Sobel 滤波器的步骤来操作:
https://www.cnblogs.com/bjxqmy/p/12325852.html
① 运用一对卷积阵列 (分别作用于 
和 
方向)
② 使用下列公式计算梯度幅值和方向:
梯度方向近似到四个可能角度之一 —— 0 度, 45 度, 90 度, 135 度
【第三步】非极大值抑制
这一步排除非边缘像素，仅仅保留了一些细线条（候选边缘）。
【第四步】滞后阈值
滞后阈值需要两个阈值：
① 若某一像素位置的幅值超过高阈值，该像素被保留为边缘像素。
② 若某一像素位置的幅值小于低阈值，该像素被排除。
③ 若某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。
Canny 边缘检测：Canny 函数
void Canny(InputArray image, OutputArray edges, double threshold1, double threshold2, int apertureSize = 3, bool L2gradient = false);
- image，输入图像，即源图像，填 Mat 类对象即可，彩色或灰度图像均可，但一般为经过高斯模糊后的灰度图。
- edges，输出的边缘图，和源图像有一样的尺寸，且为二值图像。
- threshold1，第一个滞后性阈值。
- threshold2，第二个滞后性阈值。
- apertureSize，Sobel 算子的孔径大小，其有默认值 3。
- L2gradient，一个计算图像梯度值幅度的标识，如果为 true，则使用更精确的 L2 范数进行计算（即某点梯度 = 两个方向导数的平方和再开方），默认为 false，使用 L1 范数（某点梯度 = 两个方向导数的绝对值相加）。
需要注意的是，函数阈值 1 和函数阈值 2 两者中较小的值用于边缘连接，而较大的值用来控制强边缘的初始段，推荐的高低阈值比在 2：1 到 3：1 之间。
代码示例：
#include<opencv.hpp>
using namespace cv;
int main() {
Mat src = imread("C:/Users/齐明洋/Desktop/证件照/7.jpg");
GaussianBlur(src, src, Size(3, 3), 0, 0);
imshow("src", src);
Mat gray, canny_img;
cvtColor(src, gray, COLOR_BGR2GRAY);
Canny(gray, canny_img, 55, 110, 3);
imshow("canny_img", canny_img);
waitKey(0);
}
效果演示：
